Dans ce numéro...


Le Machine Learning, l’apprentissage des intelligences artificielles, en quelques mots, ses principes, ses modèles, ses applications.
Le machine learning (ou apprentissage automatique) et le deep learning (apprentissage profond) font partie des thèmes les plus actifs du moment : difficile de recenser tous les frameworks libres disponibles, lequel choisir pour votre projet ou pour remporter le prochain challenge Kaggle ?
Face à la complexité d’un ensemble de données, le data scientist commence par les scruter sous tous les angles. Cette analyse graphique permet parfois de mettre en évidence des relations entre différentes dimensions. Dans ces cas-là, il est alors tentant de quantifier cette relation. Parmi les outils à la disposition du data scientist, la régression linéaire est l’un des plus simples, dont nous allons voir qu’il ne permet pas uniquement de lier des données selon une relation linéaire.
Il existe une terrible malédiction à laquelle se heurte le data scientist : la malédiction de la dimension. Ce terrible fléau frappe lorsque le nombre de variables d’un ensemble de données devient trop important. Dans ce cas, afin de permettre une analyse précise dans chacune des dimensions, il faut un ensemble de mesures tout à fait gigantesque. De plus, la multiplication des dimensions rend l’analyse très complexe. Difficile pour un humain d’appréhender les relations entre autant de variables.
Avec Netflix, Quora, Amazon, Mangaki, les systèmes de recommandation sont omniprésents dans nos vies. Mais comment fonctionnent-ils ? Cet article présente les algorithmes principaux qui permettent de les concevoir. Nous en profitons pour décrire notre tout dernier algorithme utilisant les posters des œuvres pour améliorer les recommandations, présenté au workshop MANPU le 10 novembre 2017 à Kyoto, à l’occasion de la conférence International Conference on Document Analysis and Recognition (ICDAR).
Le ciel offre une variété étonnante d'objets célestes. Ces variétés ont fait l'objet depuis l'antiquité de classifications plus ou moins précises au fur et à mesure que les observations élargissaient le champ de nos connaissances. L'oeil et le cerveau humain ont su regrouper, expliquer et inventorier les éléments de l'Univers. Essayons alors d'utiliser la puissance du Machine Learning pour caractériser automatiquement ces galaxies lointaines et mystérieuses.
Les protéines sont des composants biologiques importants constitués par l'assemblage de briques élémentaires, les acides aminés. L'organisation tridimensionnelle d'une protéine est cependant difficile à prédire à partir de la succession d'acides aminés. Dans cet article, nous allons détailler une étape importante dans le processus de construction d'un modèle tridimensionnel, la prédiction d'éléments de structure secondaire remarquables.
Les molécules chimiques sont tout autour de nous, il y a bien entendu celles de synthèse qui font décrier la chronique, mais toute la communication du vivant est basée sur la chimie, à commencer par les odeurs. Comment traiter ces petits composés pourtant aussi importants ? Nous allons le découvrir dans cet article.

Magazines précédents

Sécurisez votre infrastructure Linux
GNU/Linux-Magazine Hors-série N°93
Sécurisez votre infrastructure Linux
Programmation réseau en Python
GNU/Linux-Magazine Hors-série N°90
Programmation réseau en Python
Maîtrisez la programmation de scripts Shell
GNU/Linux-Magazine Hors-série N°89
Maîtrisez la programmation de scripts Shell
Créez votre base de données MySQL MariaDB en 5 étapes
GNU/Linux-Magazine Hors-série N°88
Créez votre base de données MySQL MariaDB en 5 étapes

Les derniers articles Premiums

Les derniers articles Premium

De la scytale au bit quantique : l’avenir de la cryptographie

Magazine
Marque
Contenu Premium
Spécialité(s)
Résumé

Imaginez un monde où nos données seraient aussi insaisissables que le célèbre chat de Schrödinger : à la fois sécurisées et non sécurisées jusqu'à ce qu'un cryptographe quantique décide d’y jeter un œil. Cet article nous emmène dans les méandres de la cryptographie quantique, où la physique quantique n'est pas seulement une affaire de laboratoires, mais la clé d'un futur numérique très sécurisé. Entre principes quantiques mystérieux, défis techniques, et applications pratiques, nous allons découvrir comment cette technologie s'apprête à encoder nos données dans une dimension où même les meilleurs cryptographes n’y pourraient rien faire.

Les nouvelles menaces liées à l’intelligence artificielle

Magazine
Marque
Contenu Premium
Spécialité(s)
Résumé

Sommes-nous proches de la singularité technologique ? Peu probable. Même si l’intelligence artificielle a fait un bond ces dernières années (elle est étudiée depuis des dizaines d’années), nous sommes loin d’en perdre le contrôle. Et pourtant, une partie de l’utilisation de l’intelligence artificielle échappe aux analystes. Eh oui ! Comme tout système, elle est utilisée par des acteurs malveillants essayant d’en tirer profit pécuniairement. Cet article met en exergue quelques-unes des applications de l’intelligence artificielle par des acteurs malveillants et décrit succinctement comment parer à leurs attaques.

Migration d’une collection Ansible à l’aide de fqcn_migration

Magazine
Marque
Contenu Premium
Spécialité(s)
Résumé

Distribuer du contenu Ansible réutilisable (rôle, playbooks) par l’intermédiaire d’une collection est devenu le standard dans l’écosystème de l’outil d’automatisation. Pour éviter tout conflit de noms, ces collections sont caractérisées par un nom unique, formé d’une espace de nom, qui peut-être employé par plusieurs collections (tel qu'ansible ou community) et d’un nom plus spécifique à la fonction de la collection en elle-même. Cependant, il arrive parfois qu’il faille migrer une collection d’un espace de noms à un autre, par exemple une collection personnelle ou communautaire qui passe à un espace de noms plus connus ou certifiés. De même, le nom même de la collection peut être amené à changer, si elle dépasse son périmètre d’origine ou que le produit qu’elle concerne est lui-même renommé.

Body